مشخصات مقاله:
عنوان فارسی مقاله:
تشخیص پلاک خودرو با شبکه عصبی بازگشت به عقب و الگوریتم ژنتیک
عنوان انگلیسی مقاله:
Plate Recognition Using Backpropagation Neural Network and Genetic Algorithm
کلمات کلیدی مقاله:
شبکه عصبی بازگشت به عقب، الگوریتم ژنتیک، تشخیص نوری کاراکتر، بینایی رایانه ای، تبدیل Top-Hat
مناسب برای رشته های دانشگاهی زیر:
مهندسی کامپیوتر
مناسب برای گرایش های دانشگاهی زیر:
هوش مصنوعی و مهندسی الگوریتم ها و محاسبات
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
چکیده
1. مقدمه
2. پیشینه
3. روش کار
4. پیش پردازش
5. شبکه عصبی بازگشت به عقب
5-1 پیکربندی لایه و مقداردهی وزن
5-2 تابع فعال سازی و آموزش بازگشت به عقب
6. الگوریتم ژنتیک
6-1 نمایش، جمعیت و مقداردهی
6-2 تابع تناسب (برازندگی)
6-3 انتخاب والد و ناظر
6-4 تقاطع، جهش و وضعیت خاتمه
7. نتایج و بحث
7-1 تست آموزش بازگشت به عقب
7-2 تست تشخیص
8. نتیجه گیری
منابع
قسمتی از مقاله انگلیسی و ترجمه آن:
Abstract
Plate recognizer system is an important system. It can be used for automatic parking gate or automatic ticketing system. The purpose of this study is to determine the effectiveness of Genetic Algorithms (GA) in optimizing the number of hidden neurons, learning rate and momentum rate on Backpropagation Neural Network (BPNN) that is applied to the Automatic Plate Number Recognizer (APNR). Research done by building a GA optimized BPNN (GABPNN) and APNR system using image processing methods, including grayscale conversion, top-hat transformation, binary morphological, Otsu threshold and binary image projection. The tests conducted with backpropagation training and recognition test. The result shows that GA optimized backpropagation neural network requires 2230 epochs in the training process to be convergent, which is 36.83% faster than non-optimal backpropagation neural network, while the accuracy is 1,35% better than non-optimized backpropagation neural network.
چکیده
سیستم تشخیص پلاک خودرو سیستم مهمی است. این سیستم به منظور گیت پارک خودکار یا سیستم بلیت زنی خودکار قابل استفاده است. هدف این مطالعه تعیین اثربخشی الگوریتم های ژنتیک (GA) در بهینه سازی تعداد نرون های پنهان، نرخ یادگیری و نرخ حرکت در شبکه عصبی بازگشت به عقب (BPNN) است که به تشخیص دهنده خودکار شماره پلاک (APNR) اعمال می شود. این تحقیق با ساخت سیستم BPNN بهینه شده توسط الگوریتم ژنتیک (GABPNN) و APNR با استفاده از روش های پردازش تصویر شامل تبدیل grayscale، تبدیل top-hat، ریخت شناسی باینری، آستانه Otsu و نگاشت تصویر باینری انجام شده است. آزمایش ها با استفاده از آموزش بازگشت به عقب و تست تشخیص انجام شده است. نتایج نشان می دهد که شبکه عصبی بازگشت به عقب بهینه شده توسط الگوریتم ژنتیک نیازمند 2230 دوره زمانی در فرآیند آموزش به منظور همگرایی است به طوری که 36.83 درصد سریع تر از شبکه عصبی بازگشت به عقب بهینه است، در حالی که دقت آن 1.35 درصد بهتر از شبکه عصبی بازگشت به عقب غیر بهینه است.